論文の概要: NTP-INT: Network Traffic Prediction-Driven In-band Network Telemetry for High-load Switches
- arxiv url: http://arxiv.org/abs/2502.12834v1
- Date: Tue, 18 Feb 2025 13:00:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-19 14:05:39.583058
- Title: NTP-INT: Network Traffic Prediction-Driven In-band Network Telemetry for High-load Switches
- Title（参考訳）: NTP-INT:高負荷スイッチのためのネットワークトラフィック予測駆動インバンドネットワークテレメトリ
- Authors: Penghui Zhang, Hua Zhang, Yuqi Dai, Cheng Zeng, Jingyu Wang, Jianxin Liao,
- Abstract要約: NTP-INTは、ネットワークトラフィック予測モジュール、ネットワークプルーニングモジュール、プローブパス計画モジュールの3つのモジュールで構成されている。
実験により、NTP-INTは高負荷スイッチ上のより正確なネットワーク情報を取得でき、制御オーバーヘッドを50%削減できることが示された。
- 参考スコア（独自算出の注目度）: 23.202602760373104
- License:
- Abstract: In-band network telemetry (INT) is essential to network management due to its real-time visibility. However, because of the rapid increase in network devices and services, it has become crucial to have targeted access to detailed network information in a dynamic network environment. This paper proposes an intelligent network telemetry system called NTP-INT to obtain more fine-grained network information on high-load switches. Specifically, NTP-INT consists of three modules: network traffic prediction module, network pruning module, and probe path planning module. Firstly, the network traffic prediction module adopts a Multi-Temporal Graph Neural Network (MTGNN) to predict future network traffic and identify high-load switches. Then, we design the network pruning algorithm to generate a subnetwork covering all high-load switches to reduce the complexity of probe path planning. Finally, the probe path planning module uses an attention-mechanism-based deep reinforcement learning (DEL) model to plan efficient probe paths in the network slice. The experimental results demonstrate that NTP-INT can acquire more precise network information on high-load switches while decreasing the control overhead by 50\%.
- Abstract（参考訳）: In-band network telemetry (INT) はそのリアルタイム可視性のためにネットワーク管理に不可欠である。
しかし,ネットワーク機器やサービスの普及が急速に進んでいるため,動的ネットワーク環境において詳細なネットワーク情報へのアクセスを目標とすることが重要になっている。
本稿では,NTP-INTと呼ばれるインテリジェントネットワークテレメトリシステムを提案し,高負荷スイッチ上でよりきめ細かいネットワーク情報を得る。
具体的には、NTP-INTは、ネットワークトラフィック予測モジュール、ネットワークプルーニングモジュール、プローブパス計画モジュールの3つのモジュールで構成される。
まず、ネットワークトラフィック予測モジュールは、将来のネットワークトラフィックを予測し、高負荷スイッチを特定するために、MTGNN(Multi-Temporal Graph Neural Network)を採用する。
そこで我々は,全高負荷スイッチをカバーするサブネットワークを生成するために,ネットワークプルーニングアルゴリズムを設計し,プローブ経路計画の複雑さを低減する。
最後に、プローブパス計画モジュールは、注意機構に基づく深部強化学習(DEL)モデルを用いて、ネットワークスライス内の効率的なプローブパスを計画する。
実験の結果,NTP-INTは高負荷スイッチ上のネットワーク情報をより正確に取得でき,制御オーバーヘッドを50%削減できることがわかった。
関連論文リスト
- NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。
ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
論文 参考訳（メタデータ） (2024-12-30T00:47:49Z) - Brain-on-Switch: Towards Advanced Intelligent Network Data Plane via NN-Driven Traffic Analysis at Line-Speed [33.455302442142994]
プログラム可能なネットワークは、ラインスピードで学習に基づくトラフィック分析を実現するIntelligent Network Data Plane (INDP) に大きな研究を巻き起こした。
INDPの以前の技術は、データプレーンにツリー/フォレストモデルをデプロイすることに焦点を当てていた。
本稿では,ニューラルネットワーク(NN)によるトラフィック解析を回線速度で実現することにより,INDPの境界を押し上げるBoSを提案する。
論文 参考訳（メタデータ） (2024-03-17T04:59:30Z) - An Intelligent SDWN Routing Algorithm Based on Network Situational
Awareness and Deep Reinforcement Learning [4.085916808788356]
本稿では、ネットワーク状況認識による深層強化学習に基づくインテリジェントルーティングアルゴリズム(DRL-PPONSA)を紹介する。
実験の結果,DRL-PPONSAはネットワークスループット,遅延,パケット損失率,無線ノード距離において従来のルーティング手法よりも優れていた。
論文 参考訳（メタデータ） (2023-05-12T14:18:09Z) - Federated Semi-Supervised Classification of Multimedia Flows for 3D
Networks [0.16799377888527683]
交通分類は、交通の整形、ネットワークスライシング、品質・オブ・サービス(QoS)管理に不可欠である。
3Dネットワークは、さまざまなレベルの異常検出を保証できる複数のルートを提供する。
本稿では,ネットワークトラフィックを半教師付き方式で分類するために,協調的特徴選択と特徴量削減学習手法を提案する。
論文 参考訳（メタデータ） (2022-05-01T20:18:07Z) - Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。
d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。
トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
論文 参考訳（メタデータ） (2021-08-20T11:53:05Z) - Packet Routing with Graph Attention Multi-agent Reinforcement Learning [4.78921052969006]
我々は強化学習(RL)を利用したモデルフリーでデータ駆動型ルーティング戦略を開発する。
ネットワークトポロジのグラフ特性を考慮すると、グラフニューラルネットワーク(GNN)と組み合わせたマルチエージェントRLフレームワークを設計する。
論文 参考訳（メタデータ） (2021-07-28T06:20:34Z) - Optimized Quantum Networks [68.8204255655161]
量子ネットワークは、ネットワーク要求の前に様々な種類の絡み合いを生成することができる。
これを応用して、所望の機能に合わせた絡み合いベースの量子ネットワークを設計する。
論文 参考訳（メタデータ） (2021-07-21T18:00:07Z) - Deep-Mobility: A Deep Learning Approach for an Efficient and Reliable 5G
Handover [0.0]
5Gセルネットワークは世界中に展開されており、このアーキテクチャは超高密度ネットワーク(UDN)デプロイメントをサポートしている。
小細胞はエンドユーザに5G接続を提供する上で非常に重要な役割を担います。
従来のハンドオーバ改善方式とは対照的に,ネットワークモビリティを管理するために,深層学習ニューラルネットワーク(DLNN)を実装した「ディープ・モビリティ」モデルを開発した。
論文 参考訳（メタデータ） (2021-01-17T00:31:37Z) - Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT
Networks [96.24723959137218]
We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。
フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。
提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
論文 参考訳（メタデータ） (2020-11-25T12:51:59Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。